AI 能做多少，取決於你替它接了什麼

Anthropic 官方的《Claude Code in Action》課程有 15 講、約 1 小時。最有說服力的不是效能優化跑出 3.9 倍，而是一個 PR review（程式碼變更審查）案例。開發者把使用者 email 加進 Lambda 輸出。Claude 讀 Terraform 追出這個 S3 bucket 是跟外部夥伴共享的，於是標記出個資外洩風險。

一、AI 做不到某件事，先查它碰不碰得到

發生了什麼：語言模型的物理限制是「文字進、文字出」，叫一個裸模型讀檔案，它只會說做不到。tool use（工具使用：模型輸出約定格式的文字，由外部程式代為執行）的做法，是助手在你的請求後面附上一段說明。想讀檔案，就回「ReadFile: 檔名」。模型照格式吐出字串，外面那層真的去讀檔、把內容塞回去，模型再據此作答。課程強調，Claude 系列的優勢在理解工具意圖、並把多個工具組合起來，不在生成品質。

原理：智能體的能力等於推理力乘以可觸及的介面數，推理力進步是外生的，介面數你隨時能加。

怎麼用：覺得 AI 不夠用時，先問「它看得到那個東西嗎」，再問「它夠不夠聰明」。新人做不好事也一樣，先查有沒有給他該有的系統權限與資訊視野。

何時不成立：任務本身超出模型的推理力時不成立，例如需要它從未接觸過的專業判斷，多接再多工具也補不上。

二、上下文要學會減，壓縮與清空不能混用

發生了什麼：課程花三講在講怎麼少給一點。/init 掃過 codebase（專案的程式碼庫）生出 CLAUDE.md（專案說明檔）。@ 提及能精準指定檔案，取代讓 Claude 亂搜。# 記憶模式用自然語言改 CLAUDE.md。控制流程有幾個動作。Esc 打斷，Esc + # 打斷後把剛犯的錯寫進記憶，Esc Esc 倒帶回上一個乾淨的節點。/compact 壓縮但保留學到的東西，/clear 全清。Plan Mode 管廣度，Thinking Mode 管深度，兩者都燒 token。課程核心那句話講得很白：資訊太多、太雜，效能是掉的。

原理：管理上下文雜訊有兩種手法，壓縮留下結論、丟掉抵達結論的過程，清空連結論一起丟。

怎麼用：同一個任務走太久，用 /compact。切到不相干的任務，用 /clear。剛犯的錯要留下來，用 Esc + # 打斷並寫進記憶。

何時不成立：任務很小、上下文很短時，兩種手法差別不大，不必特別管理。

三、把品質控制從「人記得」搬到「系統不做不行」

發生了什麼：課程介紹三層擴充機制。Custom commands 是在 .claude/commands/ 底下放一個 audit.md。這樣就有了 /audit，本質是把重複的 prompt 存起來。MCP servers（外接工具的標準介面）的 demo 是 Playwright。Claude 開瀏覽器、截圖，看自己生的 UI 醜不醜，再回頭改自己的生成 prompt。Hooks（在工具呼叫前後插入的檢查點）有兩種。pre-tool hook 可以擋下執行並回錯誤訊息給 Claude，post-tool hook 不能擋，但可做自動格式化、跑測試。再往上是 GitHub Actions 整合：@claude 指派任務、PR 自動 review。

原理：三種擴充對應三種介入時機，command 事前固化流程，pre hook 事中擋下壞操作，post hook 與 review 事後抓漏網。

怎麼用：任何「一旦發生就無法回復」的動作，例如刪檔、推 production、送出訊息，把關一定要放在 pre。可回復的動作放 post 就夠，成本低很多。

何時不成立：動作全部可回復、出錯成本很低時，不必為每一步加事前把關，事後檢查就夠。

今天的主線

模型本身只會讀文字、吐文字。它能改檔案、跑測試、開瀏覽器，全靠外面把文字翻譯成動作的那層殼。這層殼有三個旋鈕：介面、上下文、把關，三個都能後天加裝，效益遠大於換一顆更強的模型。PR review 那個案例不是模型變聰明了，而是有人把「基礎設施流向」放進了它的視野。

本文數據引自所列來源之解讀內容，未逐一回查原始報告。

來源

• 〈Claude Code in Action 實戰課程深度解析〉，得到 App
• 〈課程逐講筆記（tool use / 上下文 / MCP / hooks）〉，得到 App
• 〈Coding Assistant 運作機制與 tool use 原理〉，得到 App